- 締切済み
スペクトル
- みんなの回答 （3）
- 専門家の回答
みんなの回答
- rei00
- ベストアンサー率50% (1133/2260)
rei00 です。 お礼拝見しました。 そういう事でしたら致し方ないかも知れませんが，質問中にそのあたりも書かれた方が回答は付きやすいと思います。 一応訳しておきますね。なお，electronic の後ろに transition が抜けていると思います。 どのスペクトルが問題の分子の電子遷移に関係しているか。⇒ （テストなどの問題文と考えるなら）電子遷移に関係しているスペクトルはどれか？ １．紫外スペクトル（UV スペクトル） ２．核磁気共鳴スペクトル（NMR スペクトル） ３．赤外スペクトル（IR スペクトル） ４．質量分析（マススペクトル） 勿論，正解は inorganicchemist さんがお書きの 1. Ultraviolet です。
- rei00
- ベストアンサー率50% (1133/2260)
この回答でしたら「有機化学」，「分析化学」，「分光分析学」等の教科書に必ず載っています。 これらの教科書は御覧になりましたか。 それとも，ここで質問せざるを得ない特殊事情がお有りでしょうか。それでしたら補足下さい。
- inorganicchemist
- ベストアンサー率34% (88/257)
1,uv 元の英文は本当にこれであっていますか？ 電子推移（遷移？）に相当する部分は？ 最後はinvestigatedでは？
お礼
ありがとうございます。 最後の単語は打ち間違えでした。すいません
関連するQ&A
- 語句の質問
The sigmoidal dependence of reaction rate on substrate concentration exhibited by some enzymes is evidence of a type of activation effect. 反応速度のいくつかの酵素に表されている基質濃度へのsigmoidal依存が、活性化効果の典型的な証拠である。 sigmoidal dependence とは何ですか？ At low substrate concentrations, the bonding of one substrate molecule enhances the bonding of the next one (mathematically stated, the increment in v resulting from an increment in s, dv/ds, is increasing). 低基質濃度では、1回の基質分子の接合により次の結合が強化される（数学的に、s dv／dsのインクリメントに起因しているvのインクリメントは増大する）。 よく解かりません、 increment : 増分 と辞書にありましたが。 Such behavior can be modeled by assuming a concerted transition of protein subunits: we assume that the enzyme, which is probably oilgomeric, has multiple binding sites for substrate and that the first substrate molecule bound to the enzyme alters the enzyme's structure so that the remaining sites have a stronger affinity for the substrate. そのような反応は、蛋白質サブユニットの協定の推移の仮定によりモデル化することができる:私たちは、酵素(恐らくオリゴマー)が基板のための多数の結合力のある側面を持っており、残りの側面が基質へのより強い類似性を持つように酵素への第1の基質分子境界が酵素の構造を変更する、と考える。 長くて理解し辛いですが 結局どういう現象を言っているのでしょうか？
- ベストアンサー
- 生物学
- 英文（医療系）和訳の添削をお願いします．
いつもながら，しっくりしません．どなたか添削してください． The principal components scores, obtained for each spectrum, were used as input for K-means clustering analysis (KCA). This clustering analysis algorithm was used to find groups of spectra with similar spectral characteristics (clusters). KCA was used, as this clustering method can easily handle large amounts of data like the Raman maps presented here (Jain and Dubes, 1988). In short KCA works as follows.First, the number of clusters in which the spectra are grouped by KCA, is defined by the user.For each of these clusters a spectrum is randomly chosen from the spectra in the data set, to act as the initial cluster center. All spectra in the data set are then compared with these cluster centers and assigned to the center that they most resemble. After all spectra are assigned to a certain cluster, new cluster centers are calculated by averaging all spectra assigned to that cluster.This procedure is repeated until a stable solution is reached. The principal components scores, obtained for each spectrum, were used as input for K-means clustering analysis (KCA). 各スペクトルから得られた主成分得点はK-mean クラスター分析（ＫＣＡ）のための入力情報として使われた．得たれたクラスター分析アルゴリズム（算法）は類似したスペクトルの特徴（クラスター：集団）のスペクトルを発見するために使われた．この方法（ＫＣＡ）はここで示されたラマンマップのような大量のデータを容易に処理することができるので，ＫＣＡは使われた(Jain and Dubes, 1988). 要約するとＫＣＡは以下のように作用（作動，機能）する．最初にＫＣＡによりグループ化されたスペクトル群のクラスターの数は使用者により規定された．このクラスターの１つのスペクトル，それぞれはデータセット中のスペクトル群から無作為に選ばれる．次いで，セータセット中の全てのスペクトルは，これらのクラスターの中心的存在と比較され，（そして）最も似ているクラスターに割当られる．最終的に全てのスペクトルは確信できるクラステーに割当られ，新しいクラスターの中央（値？）はそのクラスターに割当られた全てのスペクトルの加算平均により計算されこの手順は安定するまで繰り返され，（この手順が）達成される．
- ベストアンサー
- 英語
お礼
文系の学校にいってまして・・・ それらの教科書とは縁がありませんでした。